‘Nepdata' om echte hersenen te helpen

Een EEG, of hersenfilmpje, meet de elektrische activiteit van de hersenen met behulp van sensoren op de hoofdhuid. Het analyseren van hersenactiviteit met een EEG is een ingewikkeld en tijdrovend proces. Daarom werkt M20-promovendus Clemens Kaiser aan een AI-tool die nep EEG-data kan genereren. Onderzoekers kunnen deze data gebruiken om betere voorspellingen te doen, zoals het nauwkeurig inschatten van de gevolgen van een hersenschudding.

Tekst: Fardou Haagsma (student Science Communication aan de Rijksuniversiteit Groningen)

Hersenactiviteit wordt gemeten met een elektro-encefalogram, beter bekend als een EEG of hersenfilmpje. Deze nuttige tool kent veel toepassingen, zoals het voorspellen of iemand met een hersenschudding langetermijngevolgen van het letsel zal ondervinden. Er zijn echter ook problemen die bij een EEG komen kijken. ‘Het proces om EEG-data te verzamelen is niet eenvoudig’, weet Kaiser. ‘Het duurt minstens een half uur per persoon om alles klaar te zetten.’

Er moeten veel kleine elektroden op iemands hoofd worden bevestigd met behulp van een zelfklevende gel, legt de promovendus uit, terwijl hij wijst naar de delen van zijn hoofd waar de elektroden zouden komen. Bovendien is een EEG-meting nooit perfect. ‘Je moet heel stil zitten als je een EEG laat maken. Dat betekent niet met de ogen knipperen of praten, of wat dan ook. Als je knippert, veroorzaakt dat een enorme verstoring in de data.’

Een model trainen

Kaiser werkt daarom aan een oplossing. Hij traint modellen met behulp van EEG-data. Een model is een computerprogramma dat iets complex op een vereenvoudigde manier simuleert en daarmee onderzoekers helpt te begrijpen en te voorspellen hoe iets werkt. In zijn project zal Kaiser zo'n model gebruiken voor EEG-data. Als het model eenmaal getraind is, herkent het veranderingen in de patronen van EEG-data. Deze veranderingen kunnen bijvoorbeeld een indicatie geven wanneer iemand met epilepsie een aanval krijgt. Daarnaast kan het helpen te voorspellen of iemand oplet bij een taak of om AI te trainen om menselijke emoties te herkennen.

Er zit echter een addertje onder het gras. Om een model goed te kunnen trainen, moet het een aanzienlijke hoeveelheid EEG-data verwerken, waarvoor onderzoekers grote hoeveelheden data moeten verzamelen en deelnemers urenlang stilzitten met elektroden op hun hoofd. Om nog maar te zwijgen over het vinden van de juiste mensen voor zo'n onderzoek, vertelt de promovendus.

Daarom werkt Kaiser aan een methode om het trainen en verbeteren van een model minder tijdrovend te maken. Hij genereert 'neppe' EEG-data die gebruikt kunnen worden om het model te trainen. ‘We gebruiken een combinatie van echte EEG-data en data gegenereerd door een AI-tool’, vertelt de promovendus. Op deze manier hoeven er minder echte EEG's verzameld te worden om het model goede voorspellingen te laten doen.

Uitdagingen

De promovendus genereert deze nep EEG’s met behulp van Generative Adversarial Networks (GAN's), een type kunstmatige intelligentie (AI) dat in staat is om nieuwe content te maken. 'ChatGPT kan bijvoorbeeld een tekst genereren. Wij willen met ons project iets soortgelijks doen, dat misschien iets minder spannend is: nep EEG-data genereren’, zegt Kaiser met een grijns.

Dit proces brengt echter de nodige uitdagingen met zich mee. Een van de grootste obstakels is het vinden van een algoritme dat EEG-data kan produceren. Kaiser merkt ook op dat het moeilijk is om te bepalen of de data die zo'n algoritme genereert er echt uitzien. 'Bij een foto kun je dat over het algemeen goed zien, maar bij EEG-data is dat een stuk lastiger te zeggen, zelfs als je bekend bent met hoe EEG's eruit zien.' Daarnaast zijn GAN's erg moeilijk te trainen, benadrukt de promovendus. ‘Ze kunnen behoorlijk onstabiel zijn. De tool kan EEG-metingen genereren die erg op elkaar lijken.’

'Er is nog een uitdaging', vervolgt Kaiser. Het model bestaat uit twee delen die moeten samenwerken en van elkaar afhankelijk zijn om te leren en beter te worden. Daarom moeten ze ongeveer even snel leren. Als het ene deel veel sneller beter wordt dan het andere, kan het andere deel het niet meer bijbenen en leert het niets meer. Als zoiets gebeurt, kan de AI niet meer bepalen of de nep EEG-data voldoende lijkt op de echte EEG-data, of zal het moeite hebben om data te genereren die er echt uitziet. Het is daarom een zoektocht naar de juist balans.

Interdisciplinair onderzoek

Voor zijn promotietraject ontving Kaiser een M20-beurs van de Rijksuniversiteit Groningen. De financiering speciaal voor interdisciplinaire projecten is mogelijk door een donatie van het Ubbo Emmiusfonds (UEF). Met de bachelors bedrijfskunde en psychologie, gevolgd door een master Computational Cognitive Neuroscience, heeft Kaiser zelf een behoorlijk diverse achtergrond. 'Ik had nooit verwacht dat ik een PhD in AI zou doen’, zegt Kaiser, waarbij hij bescheiden opmerkt dat hij geen ‘echte’ AI-achtergrond heeft.

Het promotietraject combineert cognitieve neurowetenschappen en kunstmatige intelligentie, vervolgt de promovendus. Daarom wordt Kaiser begeleid door collega's vanuit twee verschillende disciplines. 'Ik heb twee begeleiders: Marieke van Vugt (universitair docent Cognitive Modeling aan de RUG) en Natasha Maurits van de afdeling Clinical Neuroengineering van het UMCG.' Kaiser ziet vooral voordelen in deze interdisciplinariteit, omdat hij input krijgt vanuit verschillende invalshoeken. Maar interdisciplinair werken is ook uitdagend. 'Natasha heeft soms suggesties die voor mij niet meteen duidelijk zijn, waardoor ik soms meer onderzoek moet doen, maar dat is juist voordelig.'

Hoop op resultaten

Kaiser bevindt zich nu nog in de beginfase van zijn onderzoek. 'Op dit moment werk ik nog niet eens met EEG-data.' Maar hij denkt wel degelijk aan de toekomst. 'Idealiter heb ik aan het einde van dit project een model dat werkt.’ Dit model moet bijvoorbeeld leiden tot betrouwbare voorspellingen voor mensen met epilepsie. ‘Het is echter reëel dat we nogal wat problemen zullen krijgen. Als we een manier vinden om kennis aan het model toe te voegen op een manier die het model een beetje verbetert, zou dat al een goede uitkomst zijn.’